分类器评价指标

俭任G

已于 2022-04-01 10:21:48 修改

阅读量1.4k

点赞数 1

分类专栏：深度学习文章标签：深度学习

于 2022-03-21 16:12:26 首次发布

本文链接：https://blog.csdn.net/weixin_41798111/article/details/123615533

版权

7 篇文章 0 订阅

订阅专栏

混淆矩阵

1.准确率

$Acc = \frac{TP+TN}{TP+TN+FP+FN}$

TP和TN：表示预测正确的

2.1. 查准率：（精确率），预测为真占预测为真的百分比，表示对正样本的预测准确程度（预测为正/所有为正的预测）。

$P=\frac{TP}{TP+FP}$

2.2. 查全率：（召回率），实际样本为正中预测为正的比例，（预测为正/所有为正的样本）

$Recall = \frac{TP}{TP+FN}$

2.3 F1，兼顾精确率和召回率

$F1=\frac{2*P*R}{P+R} =\frac{2*TP}{ALLNUM+TP-TN}$

3.1. 灵敏度，真正率（True Positive Rate , TPR）,正样本预测正确的/正样本总数：

$TPR=\frac{TP}{TP+FN}$

3.2.特异性，真假率（True Negative Rate , TNR）,负样本预测正确的/负样本总数：

$TNR=\frac{TN}{TN+FP}$

3.3. 假负率：(False Negative Rate , FNR)，FNR=1-TPR, 正样本预测错误的/正样本总数。

3.4. 假正率： (False Positive Rate , FPR)，FPR=1-TNR，负样本预测错误的/负样本总数。

灵敏度和特异度可以解决样本不平衡的问题，因为灵敏度只关注正样本检出率，特异度只关注负样本检出率。

3.5. ROC

纵坐标：真正率（灵敏度）；

横坐标：假正率（1-特异性）；

优势：

不受阈值选择影响；（ROC曲线各点是根据不同阈值绘制出的点）

正负样本不均匀不影响ROC评价；（灵敏度、特异度计算只分别关注正样本和负样本）

$AUC=\frac{\sum_{insi\in pos}rank_{insi}-M*(M-1)/2 }{M*N}$

$\sum_{insi\in pos}rank_{insi}$ 表示将pre递增排序后，正样本label对应的排序序号之和。

关注